In het afgelopen decennium zijn digitale camera's op grote schaal toegepast in verschillende aspecten van onze samenleving en worden ze massaal gebruikt in mobiele telefoons, beveiligingstoezicht, autonome voertuigen en gezichtsherkenning. Door deze camera's worden enorme hoeveelheden beeldgegevens gegenereerd, wat leidt tot toenemende zorgen over privacybescherming.

Sommige bestaande methoden pakken deze problemen aan door algoritmen toe te passen om gevoelige informatie voor de verkregen afbeeldingen te verbergen, zoals beeldvervaging of codering. Dergelijke methoden riskeren echter nog steeds blootstelling van gevoelige gegevens, omdat de onbewerkte afbeeldingen al zijn vastgelegd voordat ze digitale verwerking ondergaan om de gevoelige informatie te verbergen of te coderen. Ook vereist de berekening van deze algoritmen extra stroomverbruik. Er zijn ook andere pogingen gedaan om oplossingen voor dit probleem te zoeken door aangepaste camera's te gebruiken om de beeldkwaliteit te verlagen, zodat identificeerbare informatie kan worden verborgen. Deze benaderingen offeren echter de algehele beeldkwaliteit voor alle objecten van belang op, wat ongewenst is, en ze zijn nog steeds kwetsbaar voor vijandige aanvallen om de gevoelige informatie die is vastgelegd op te halen.

Een nieuw onderzoeksartikel gepubliceerd in eLight demonstreerde een nieuw paradigma om privacybeschermende beeldvorming te bereiken door een fundamenteel nieuw type imager te bouwen, ontworpen door AI. In hun paper presenteerden UCLA-onderzoekers, onder leiding van professor Aydogan Ozcan, een slim camera-ontwerp dat alleen bepaalde soorten gewenste objecten in beeld brengt, terwijl andere soorten objecten onmiddellijk uit de afbeeldingen worden gewist zonder enige digitale verwerking.

Dit nieuwe camera-ontwerp bestaat uit opeenvolgende doorlatende oppervlakken, elk samengesteld uit tienduizenden diffractieve kenmerken op de schaal van de golflengte van licht. De structuur van deze doorlatende oppervlakken is geoptimaliseerd met behulp van deep learning om de fase van de uitgezonden optische velden te moduleren, zodat de camera alleen bepaalde typen/klassen gewenste objecten afbeeldt en de andere wist. Na het op deep learning gebaseerde ontwerp (training), worden de resulterende lagen gefabriceerd en geassembleerd in 3D, waardoor de slimme camera wordt gevormd. Na de montage, wanneer de invoerobjecten van de doelklassen van objecten ervoor verschijnen, vormen ze afbeeldingen van hoge kwaliteit bij de uitvoer van de camera - zoals gewenst. Wanneer daarentegen de invoerobjecten voor dezelfde camera tot andere ongewenste klassen behoren, worden ze optisch gewist, waardoor niet-informatieve patronen met een lage intensiteit worden gevormd, vergelijkbaar met willekeurige ruis.

Omdat de karakteristieke informatie van ongewenste klassen objecten volledig optisch wordt gewist bij de camera-uitgang door middel van lichtdiffractie, neemt deze door AI ontworpen camera nooit hun directe beelden op. Daarom wordt de bescherming van de privacy gemaximaliseerd, aangezien een vijandige aanval die toegang heeft tot de opgenomen beelden van deze camera de informatie niet kan terughalen. Deze functie kan ook de gegevensopslag en transmissiebelasting van camera's verminderen, aangezien de beelden van ongewenste objecten niet worden opgenomen.

Om deze unieke data-specifieke camera experimenteel te demonstreren, heeft het onderzoeksteam van de UCLA het ontworpen om specifiek en selectief slechts één klasse handgeschreven cijfers af te beelden, en de ontworpen camera gefabriceerd met behulp van 3D-printen. Deze 3D-geprinte camera is getest met behulp van terahertz-golven die handgeschreven cijfers verlichten. Volgens de kernprincipes van het ontwerp was de slimme camera in staat om de invoerobjecten alleen selectief af te beelden als het handgeschreven cijfers "2" waren, terwijl alle andere handgeschreven cijfers onmiddellijk uit de uitvoerbeelden werden gewist, wat ruisachtige kenmerken met een lage intensiteit opleverde .

Naast handgeschreven cijfers, demonstreerden UCLA-onderzoekers ook een andere variant van hetzelfde klassespecifieke camera-ontwerp door selectief één type modeproduct (bijvoorbeeld een broek) in beeld te brengen, terwijl andere modeproducten onmiddellijk uit de output van de camera werden gewist. Het onderzoeksteam heeft hun camera-ontwerp rigoureus getest onder verschillende lichtomstandigheden die nooit in de training waren opgenomen, en toonde aan dat deze slimme camera bestand is tegen variaties in verlichting.

Naast dataklasse-specifieke beeldvorming, werd dit op AI gebaseerde camera-ontwerp ook gebruikt om encryptiecamera's te bouwen, wat een extra beveiligings- en privacybeschermingslaag bood. Een dergelijke encryptiecamera, ontworpen met behulp van AI-geoptimaliseerde diffractieve lagen, voert optisch een geselecteerde lineaire transformatie uit, exclusief voor de beoogde objecten. Only those with access to the decryption key (i.e., the inverse linear transformation in this case) can recover the original image of the target objects. On the other hand, the information of the other undesired objects is irreversibly lost since the AI-designed camera all-optically erases them at the output. Therefore, even if the decryption key is applied to the recorded images, it yields noise-like, unrecognizable features for other classes of undesired objects.

Except for the illumination light, this smart camera does not require any external power for its computation and operates at the speed of light. Therefore, it is fast, data- and energy-efficient, making it especially suitable for task-specific, privacy-aware, and power-limited imaging applications. The core teachings of this diffractive camera design can inspire future imaging systems that consume orders of magnitude less computing and data transmission power.

This research was led by Professor Aydogan Ozcan, the associate director of the California NanoSystems Institute (CNSI) and the Volgenau Chair for Engineering Innovation at the Electrical and Computer Engineering (ECE) department at UCLA, along with Professor Mona Jarrahi, the Northrop Grumman Endowed Chair and the director of the Terahertz Electronics Laboratory at UCLA ECE. The other authors of this work include graduate students Bijie Bai, Yi Luo, Tianyi Gan, Yuhang Li, Yifan Zhao, Deniz Mengu and post-doctoral researcher Dr. Jingtian Hu, all with the ECE department at UCLA. + Verder verkennen

All-optical phase recovery and quantitative phase imaging performed instantly without a computer